基于nnU-Net增强CT对肝癌自动分割性能影响的研究

摘要

目的 探讨不同训练集大小及不同增强期影像对肝癌患者增强CT影像自动分割效果的影响。方法 选取2017年6月—2024年9月齐齐哈尔医学院附属医院和哈尔滨医科大学第四医院收治的100例肝细胞癌患者的增强CT影像数据。将数据按8︰1︰1比例随机分为训练集(80例)、验证集(10例)和测试集(10例)。为分析训练集大小对模型性能的影响，将训练集进一步划分为A组(80例)、B组(60例)、C组(40例)、D组(20例)和E组(10例);按增强期分为动脉期、门静脉期和延迟期三组。以E组作为基础模型，使用nnU-Net模型对各组影像进行自动分割，并比较不同组间的Dice相似系数(DSC)、95%Hausdorff距离(HD95)和交并比(Intersection over Union, IoU)。结果 与B组、C组、D组和E组相比，A组(训练集80例)的分割效果最佳，DSC为0.82,IoU为0.71,HD95为62.09,差异具有统计学意义(P<0.05)。在不同增强期组中，动脉期组的分割效果优于静脉期组和延迟期组，DSC为(0.82±0.09),IoU为(0.71±0.13),HD95为(62.09±66.35),差异具有统计学意义(P<0.05)。结论 采取较大训练集以及动脉期增强CT影像训练nnU-Net模型，可显著提高肝癌CT影像自动分割效果。

关键词

肝细胞癌 / 增强CT / 深度学习 / 期相对比 / 自动分割

基金资助

齐齐哈尔市科技攻关项目(LHYD-202016)